genie2_setup.rar 安装包

c#实现的贝叶斯网络数据分类器，可以自己设定节点数目，学习速率，进行分类学习。

基于全过程综合敌我识别中不同阶段综合敌我识别信息来源的差异, 采用动态贝叶斯网络进行建模. 在建
模过程中, 由于参数众多、样本难以全面获得、学习训练计算量巨大等问题, 将随机模糊思想引入参数学习, 从而既
可充分利用先验信息, 又尽可能地消除主观因素. 最后仿真了整个过程, 其结果验证了所提出方法的有效性.

为获得正确的节点次序，提高K2算法的执行效率和精确度，提出一种构建基因调控网络的IE―K2算法。基于两个节点互信息构建无向图，通过引入联合信息熵来获得最佳的节点次序。在Alann网络中的实验结果表明，其预测的准确率优于爬山算法和随机节点顺序的K2算法；将IE―K2算法用于构建酿酒酵母的基因调控网络，通过现有文献证明了调控关系的正确性，结果显示了该算法的有效性。

针对融合识别领域中不同框架下多源异类传感器的不确定证据信息无法有效融合的问题, 提出一种基于条件证据网络的多源异类知识融合识别方法. 该方法将战场协同作战中不同框架下多源异类传感器的领域知识统一在证据网络的结构下, 形成多源异类知识融合识别模型, 对多源异类传感器的不确定性证据信息进行基于条件证据网络的融合推理, 得到识别结果. 仿真实例验证了所提出方法的优越性.

pybn （下架）：请尝试 一个用于贝叶斯网络建模和推理的简单 python 库 特点： 具有以下功能的有向无环图 (DAG) 类：父母、孩子、祖先、后代、所有 v 结构、道德化。 无向图实现。 用于测试独立性的 a-Separation 类。 i-Separation，一种在 DAG 中测试独立性的替代方法，它考虑了初始变量及其后代，并且在更大的网络中速度更快。 具有乘法、除法、边缘化等操作的条件概率表 (CPT) 实现。 消除排序（最小邻居、最小权重、最小填充、加权最小填充） 变量消除（删除贫变量，独立于证据变量，创建一张新的根变量表，等等）。 实用程序： 从 BIF 文件加载网络。

Bayesian Networks Variable Elimination Algorithm：贝叶斯网络变量消除算法.ppt

dbn模型matlab代码BNT-SM 用于学生建模的贝叶斯网络工具箱（BNT-SM）旨在促进在学生建模社区中使用动态贝叶斯网络。 BNT-SM输入一个数据集和一个由研究人员假设的贝叶斯网络模型的紧凑XML规范，以描述学生知识和观察到的行为之间的因果关系。 BNT-SM使用贝叶斯网络工具箱生成并执行代码以训练和测试模型。 BNT-SM使研究人员可以轻松地探索关于学生模型中知识表示的不同假设。 例如，通过改变贝叶斯网络的图形结构，我们研究了补习干预如何影响学生的知识状态-干预是可能脚手架还是可以帮助学生学习。 主页 安装 BNT-SM2.0.zip可以在“下载”下下载。 它是在Matlab中实现的，因此您需要安装并运行Matlab。 典型用法示例 下载并解压缩BNT-SM后，启动Matlab并执行 >> cd src >> setup >> cd ../model/kt >> [property evidence hash_bnet] = RunBnet('property.xml'); Property.xml是一个XML文件，用于指定我们正在构建的贝叶斯网络。 在目录BNT-SM /

贝叶斯网络上的信念传播 这是一个在贝叶斯网络 (BN) 上运行循环信念传播的程序，并为网络上的每个节点生成边缘化概率。 算法细节参考 ，随着使用bethe聚类图而不是BN的纯因子图的变化。 输入格式应为 用法 $ python bp < .bif file path > [-o output file] [-t threshold] Options: -o, --output output file name, default to ' result.txt ' -t, --threshold threshold for convergence default to 1e-10 致谢 BIF 解析器由提供。 项目中的代码用于华盛顿大学的作业 3。

大数据-算法-随机模糊变量特征函数的若干性质.pdf